ارزیابی و تهیه نقشه کاربری اراضی حوضه آبخیز نیرچای با استفاده از روش شیءگرا
آرشیو
چکیده
طبقه بندی جهت استخراج کاربری های اراضی همیشه یکی از مهم ترین کاربردهای سنجش از دور بوده و به همین دلیل روش های متفاوتی ایجاد شده اند. با گذشت زمان روش های پیشرفته تر و با دقت بالاتری به وجود آمدند که باعث افزایش دقت شده و در استخراج کلاس هایی که از نظر طیفی به هم نزدیک تر بودند بهتر عمل کرده اند. الگوریتم های شناسایی تغییرات در تصاویر سنجش از دور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش ارزیابی و تهیه نقشه کاربری اراضی حوضه آبخیز نیرچای در استان اردبیل با استفاده از روش شیءگرا می باشد. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویر با استفاده از الگوریتم قطعه بندی چند مقیاسه در محیط نرم افزار eCognition انجام شد. سپس این قطعات انتخاب شده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی و ارزیابی صحت انجام شد. نتایج نشان داد که طبقه بندی شیءگرا با صحت کلی 99 و ضریب کاپای 88/0 درصد که نشان دهنده صحت بالای روش شیءگرا در طبقه بندی است. همچنین نقشه کاربری اراضی نشان داد که کاربری مناطق آبی و مراتع ضعیف به ترتیب کم ترین (70 هکتار) و بیش ترین (8069 هکتار) مساحت را به خود اختصاص داده اند.Evaluation and Preparation of Land Use Map of Nirchai Watershed Using object oriented method
Land use classification has always been one of the most important applications of remote sensing, and for this reason, different methods have been developed. With the passage of time, more advanced methods with higher accuracy were created, which increased the accuracy and performed better in extracting classes that were spectrally closer to each other. Algorithms for detecting changes in remote sensing images are divided into two categories: pixel-based and object-oriented, based on the minimum processing unit. The purpose of this research is to evaluate and prepare a land use map of the Nirchai watershed in Ardabil province using the object-oriented method. Land use classification including segmentation of image data was done using multi-scale segmentation algorithm in eCognition software environment. Then these parts were selected and classified and evaluated using the object-oriented nearest neighbor algorithm. The results showed that the object-oriented classification has an overall accuracy of 99 and a kappa coefficient of 0.88%, which indicates the high accuracy of the object-oriented method in classification. Also, the land use map showed that the use of water areas and poor pastures occupied the least (70 hectares) and the most (8069 hectares), respectively.
تبلیغات
